论文部分内容阅读
喹诺酮类抗菌素是一类全人工合成的抗菌药物,自从1962年萘啶酸问世以来,已有数以千计的喹诺酮类化合物得以合成,至今,上市的喹诺酮类药物已达几十种。宽广的抗菌谱、良好的药动学性质、高效低毒等特点使喹诺酮类抗菌素成为了临床上使用最为广泛的抗菌药物之一。但是,喹诺酮类化合物也有很多不良的临床反应和毒副作用,急需设计和寻找出抗菌活性更强、安全性更高的喹诺酮类新药。对喹诺酮类化合物的药效学/药动学性质、抗菌作用机理和化合物分子结构之间的关系做深入的研究,可以为设计和寻找新药提供指导性的参考和帮助。本文利用量子化学和神经网络方法,分别进行了喹诺酮类化合物的药效学、药动学参数与其分子结构参数之间的相关性分析。我们选用了已知对金葡萄球菌和大肠杆菌的最小抑菌浓度的110个喹诺酮类化合物来研究其药效学性质。我们分别计算了110个化合物的18个结构参数:分子总能量、分子键能、分子离解能、电子能、核-核间排斥能 、生成热、单点偶极矩、偶极矩、7-位取代基的净电荷、分子表面积、分子体积、水合能、疏水性参数、分子折射率、分子极化率、分子摩尔质量、分子最高占有轨道能量和分子最低空轨道能量。首先,对这18个结构参数之间进行了自相关性分析,把相关系数大于0.75的参数归为一组,共分为了9组,然后通过试算的方法最终选择了6个结构参数作为网络的输入,分别对金葡萄球菌和大肠杆菌的最小抑菌浓度进行神经网络建模。6个结构参数分别是:生成热、偶极矩、7-位取代基的净电荷、分子表面积、水合能、分子最高占有轨道能量。网络参数选择如下:最大迭代次数为5000,第一隐含层节点数分别为20和18,第二隐含层节点数分别为32和28,目标误差为0.02、学习速率的初值选定为0.01、学习速率增加比例为1.05、学习速率减少比例为0.8、动量常数为0.9。我们随机选取了100个样本作为训练集,其余10个样本作为预测集来检验网络的性能。计算结果显示,对金葡萄<WP=3>球菌的最小抑菌浓度学习正确率为64%、预测正确率为70%;对大肠杆菌的最小抑菌浓度学习正确率为74%、预测正确率为60%。另外一方面,我们选择了21个已知药动学参数:达峰浓度、血药浓度-时间曲线下面积和半衰期的喹诺酮类化合物进行药动学参数和分子结构参数的相关性分析。同样,我们分别计算了化合物的上述18个结构参数,并用同样的方法筛选出了6个结构参数作为网络的输入:偶极矩、7-位取代基的净电荷、分子体积、水合能、疏水性参数、分子最高占有轨道能量。通过试算,我们确定了网络的其他参数为:最大迭代次数为5000,第一隐含层节点数分别为16,第二隐含层节点数分别为26,目标误差为0.01、学习速率的初值选定为0.01、学习速率增加比例为1.05、学习速率减少比例为0.8、动量常数为0.9。我们随机取20个化合物作为训练集,并对训练集中的化合物进行Leave-one-out分析,对剩下的一个化合物的三个药动学参数进行预测。结果表明,网络对三个药动学参数的学习正确率分别为:85%、75%和95%,Leave-one-out预测正确率分别为:70%、60%和80%,对三个药动学参数预测的相对误差为:18.44%、14.46%和-8.25%。结果表明我们对喹诺酮类化合物药效学/药动学参数的网络建模是合理的,我们可以用改网络模型来准确预测喹诺酮类化合物的药效学/药动学参数。在计算结果的基础上,我们从抗菌机理的角度分析了影响喹诺酮类化合物药效学/药动学性质的6个结构参数与分子结构之间的关系,探讨了不同结构参数对抗菌作用机理以及体内吸收、分布方面的影响。从而为分析喹诺酮类药物的药效学/药动学性质以及新药设计提供了思路和参考意见。